ԱՐՀԵՍՏԱԿԱՆ ԲԱՆԱԿԱՆՈՒԹՅՈՒՆ ԲԱՐՁՐԱԳՈՒՅՆ ՏԵԽՆՈԼՈԳԻԱ ԿԵՆՍԱԲԱՆՈՒԹՅՈՒՆ

Ուղեղ-համակարգիչ ինտերֆեյսի զարգացումը զգալի առաջընթաց է գրանցել 2021 թվականին

Ուղեղ-համակարգիչ ինտերֆեյս տեխնոլոգիան (BCI), որը մարդու ուղեղի ալիքները վերածում է մեքենայի համար հասկանալի հրամանների և թույլ է տալիս մարդուն մտքի ուժով ղեկավարել համակարգիչը, շարունակում է աննախադեպ կերպով զարգանալ՝ ներգրավելով հսկայական քանակությամբ ֆինանսավորում։

2021 թվականի 8 ամիսների ընթացքում BCI-ի ֆինանսավորումը 2019 թվականի համեմատությամբ գրեթե եռապատկվել է։ Վերջերս Իլոն Մասկի Neuralink ընկերությունը հայտնեց 205 մլն դոլար ֆինանսավորման մասին։ BCI ոլորտի մեկ այլ ընկերություն՝ Paradromics-ը ստացել է 20 մլն դոլար ֆինանսավորում։

Գրեթե միևնույն ժամանակ, Neuralink-ի մրցակից Synchron ընկերությունը հայտնեց, որ ԱՄՆ Սննդի և դեղերի վարչության (FDA) կողմից ստացել է թույլտվություն իր BCI սարքը՝ Stentrode-ը մարդկանց վրա փորձարկելու համար։ Հարկ է նշել, որ Synchron-ը նախքան այս թույլտվությունը, արդեն կլինիկական փորձարկումներ էր անցկացնում Ավստրալիայում, որի շրջանակներում չորս հիվանդներ ստացել էին իմպլանտը:

Թեև շատերը թերահավատորեն են վերաբերվում Neuralink-ի, և ընդհանրապես, BCI ընկերությունների զարգացումներին, և դրանց մեջ երկիմաստություն փնտրում, այնուամենայնիվ, ժամանակի ընթացքում այս ոլորտում գրանցված հաջողությունները դառնում են ավելի ու ավելի շոշափելի։ Այս տեխնոլոգիայի հիմքում, ըստ էության (ինչպես ներկայացնում են հեղինակները), մարդկային կարողությունների ընդլայնմն է կամ կորցրածների փոխհատուցմը, օրինակ` անդամալույծների դեպքում:

Ուղեղ-համակարգիչ ինտերֆեյս տեխնոլոգիան գործում է երկու եղանակով` ինվազիվ և ոչ ինվազիվ։ Երկու դեպքում էլ գրանցվում է ուղեղի ակտիվությունը՝  նյարդային ազդանշանները հրամանների վերածելու համար։ Դրա միջոցով հնարավոր է դառնում, օրինակ, ռոբոտացված ձեռքով առարկաներ տեղափոխել, միտքը վերածել ձայնի կամ տեքստի և այլն։ Այս գործողությունների հիմքում մեքենայական ուսուցումն է, որը ճանաչում է տարբեր մարդկանց ուղեղի ակտիվության արդյունքում ստացված տվյալների օրինաչափությունները և կարողանում է ընդհանրացնել դրանք։

Օրինաչափության ճանաչում և ուսուցման փոխանցում

Ուղեղի ակտիվությունը գործողությունների վերածելու գաղափարը նոր չէ, և ուսումնասիրվել ու շոշափելի արդյունքներ է գրանցել դեռևս տասնամյակներ առաջ։ Իսկ այսօր արդեն BCI ոլորտի մասնավոր ընկերությունների հիմնական խնդիրը դարձել է լայն մասսաների համար նախատեսված այնպիսի սարքերի ստեղծումը, որը կարող է տարբեր մարդկանց ուղեղներում գտնել ընդհանուր ազդակներ, որոնք BCI համակարգի կողմից «կհասկացվեն» նույն կերպ, և ըստ այդմ համակարգը, ստանալով այդ ազդակը, կկատարի նույն գործողությունը բոլոր մարդկանց պարագայում, դա կարող է լինել օրինակ ուղեղի ակտիվության մի ձև, որը կնշանակի «շարժիր աջ ձեռքս» և այլն:

Սա չի նշանակում, որ սարքը կկարողանա դա լիարժեք անել առանց որևէ միջամտության։ Սարքին որոշակի ժամանակ է անհրաժեշտ, որպեսզի համակարգը ճշգրտորեն համապատասխանեցվի տվյալ մարդու ուղեղի նյարդային ակտիվության նրբություններին։ Իհարկե, մենք կարող ենք ակնկալել, որ ապագայում BCI տեխնոլոգիան այնքան կզարգանա, որ միանգամից՝ առանց որևէ միջամտության ու կարգավորման կկարողանա կանխատեսել ու կատարել ճիշտ հրամանը (այս երևույթը կոչվում է Zero-shot learning):

Բարեբախտաբար, օրինաչափությունների հայտնաբերման հարցում ԱԲ-ն հսկայական առաջընթաց է գրանցել, մասնավորապես՝ տեսողության, ձայնի և տեքստի ոլորտներում՝ ստեղծելով այնպիսի համակարգ, որը ԱԲ-ի ծրագրերին թույլ է ընդհանրացումներ կատարել ու դուրս բերել օրինաչափությունները։ Այս ոլորտում մեծ առաջընթաց են ապահովել Google-ի ViT, DeepMind-ի Perceiver և Facebook-ի wav2vec 2.0 մոդելները։

Տվյալների առատություն

Խոր ուսուցման գերժամանակակից մոդելները, ինչպիսիք են Google-ի ViT-ը, DeepMind-ի Perceiver-ը կամ Facebook-ի wav2vec 2.0-ը, պահանջում են հսկայական քանակությամբ տվյալներ: Օրինակ, OpenAI-ի հայտնի GPT-3 մոդելը, որն ունակ է ստեղծել այնպիսի տեքստեր ինչպիսիք որ մարդը, վերապատրաստվել է 45 ԳԲ տեքստի միջոցով, ներառյալ Common Crawl, WebText2 և Wikipedia տվյալների բազաները:

Ամբողջ աշխարհում հետազոտական հաստատությունները ավելի ու ավելի շատ են հրապարակում BCI ոլորտին առնչվող տվյալների բազաներ, ինչը թույլ է տալիս մասնագետներին կառուցել այնպիսի մոդելներ, որոնք միանգամից կյուրացնեն այդպիսի հասանելի բազաներում առկա տվյալները՝ գտնելով օրինաչափություններն ու ընդհանրացումներ կատարելով։ Եվ հենց այս արագ զարգացմամբ էլ պայմանավորված է BCI նոր համակարգերի առաջացումը, որոնց առնվազն մի մասը մոտ ապագայում հասանելի կդառնա լայն զանգվածների համար։

Ապահովություն և տվյալների փոխանցման արագություն

BCI հավելվածներն ունեն իրական ժամանակում աշխատելու սահմանափակում, օրինակ մտքով տպագրելու կամ խաղեր խաղալու դեպքում։ Տվյալների փոխանցման ուշացումը ընդամենը մի քանի վայրկյան է, սակայն նույնիսկ դա օգտագործողի համար կարող է անհարմարություններ ստեղծել։

Բացի այդ առկա է նաև տվյալների փոխանցման գաղտնիության խնդիր․ Էլեկտրաուղեղագրության (ԷՈԻԳ, անգլ․՝ EEG) չմշակված տվյալները ուղարկվում են սերվերին՝ վերծանելու և BCI սարքին ուղարկելու համար, և առավել զգայուն տվյալների փոխանցման գործընթացքում առկա են գաղտնիությանն առնչվող մի շարք ռիսկեր։

Այժմ ԱԲ չիպերի մշակման վերջին առաջընթացը կարող է լուծել նաև այս խնդիրները: Այնպիսի հսկաները, ինչպիսիք են Nvidia-ն և Google-ը, մեծ ներդրումներ են կատարում ավելի փոքր և ավելի հզոր չիպեր ստեղծելու համար։ Սա իր հերթին կարող է թույլ տալ BCI սարքերին աշխատել անցանց ռեժիմում և խուսափել տվյալների փոխանցման անհրաժեշտությունից՝ վերացնելով գաղտնիության և ուշացման հետ կապված խնդիրները։

***

Մարդկային ուղեղը վերջին հազարամյակների ընթացքում շատ չի զարգացել, մինչդեռ մեզ շրջապատող աշխարհը, հատկապես վերջին տասնամյակում, զգալիորեն փոխվել է։ Մարդկությունը հասել է շրջադարձային կետի, որտեղ որ պետք է զարգացնի իր ուղեղի կարողությունները` իրեն շրջապատող տեխնոլոգիական նորարարություններին հետևելու համար:

Ամբողջական հոդվածն՝ այստեղ։